Dify上下文变量实战指南：从基础解析到高级应用

原创

于 2026-03-11 02:18:58 发布 · 133 阅读

1. 初识Dify上下文变量：你的AI应用“记忆中枢”

如果你用过ChatGPT，肯定遇到过这样的烦恼：聊着聊着，AI就把之前聊过的事情给忘了。你刚说完“我喜欢吃辣”，下一句问“有什么餐厅推荐吗？”，它可能给你推荐个粤菜馆。这种“健忘”在简单的聊天里还能忍，但如果你在用它搭建一个客服机器人、一个智能导诊助手，或者一个帮你写周报的AI员工，这种失忆就是致命的。

Dify的上下文变量，就是为了解决这个问题而生的。你可以把它理解为你为AI应用亲手搭建的一个“记忆中枢”或者“随身笔记本”。它不是简单地让AI模型自己记住所有对话历史（那会消耗大量Token，成本高且效率低），而是让你，作为应用的构建者，能够精准地决定什么信息需要被记住，以及如何被记住和调用。

我刚开始接触Dify时，也觉得“变量”这个概念有点技术化，但用多了才发现，它其实是把复杂问题变简单的关键。举个例子，想象你在教一个新人助理工作：你不会让他死记硬背所有对话，而是会给他一个记事本，告诉他：“客户的名字、上次沟通的关键结论、他的偏好，都记在这个本子的第一页；当前正在处理的任务进度，记在第二页。” 这个“记事本”，就是Dify里的上下文变量系统。

在Dify中，变量主要分为四大类：用户变量、系统变量、环境变量和会话变量。我们今天要深入实战的“上下文变量”，主要与系统变量和会话变量紧密相关。系统变量是Dify自动为你记录好的“系统日志”，比如用户这次问了什么（sys.query）、这是第几轮对话（sys.dialogue_count）、会话的唯一ID（sys.conversation_id）等。而会话变量，则是你自定义的“个性化备忘录”，比如用户说“我喜欢用中文沟通”，你就可以把这个偏好存到一个叫 user_language 的会话变量里，让AI在整个对话过程中都记得用中文回复。

为什么这很重要？因为这让你的AI应用从“一问一答的复读机”，进化成了“有状态、有记忆的智能体”。它能基于整个对话的上下文做出更连贯、更个性化的决策，这才是真正实用的AI应用该有的样子。

2. 核心系统变量深度解析与实战场景

Dify预置了一系列以 sys. 开头的系统变量，它们是理解用户和当前会话状态的“传感器”。光知道定义没用，关键是怎么用。下面我结合自己踩过的坑和成功的案例，带你看看这些变量在真实场景里能玩出什么花样。

2.1 `sys.query`：抓住用户的“当下意图”

sys.query 存储用户当前输入的问题。这看起来最简单，但用好它却是所有复杂交互的起点。

基础用法：直接传递给LLM节点作为问题，或者传递给知识检索节点进行查询。这太基础了，我们来看点高级的。

实战场景一：动态问题预处理 在客服场景中，用户可能输入“我要退款！！！”这样带有强烈情绪和冗余符号的句子。你可以先用一个代码节点，对 sys.query 进行清洗和情绪分析。

import re
def main(query: str) -> dict:
    # 1. 清洗文本，去除多余感叹号和空格
    cleaned_query = re.sub(r'!+', '!', query).strip()
    # 2. 简单情绪判断（实际项目可用更复杂的NLP库）
    sentiment = "neutral"
    if '!!!' in query or '生气' in query or '投诉' in query:
        sentiment = "negative"
    elif '谢谢' in query or '好评' in query:
        sentiment = "positive"
    return {
        "cleaned_query": cleaned_query,
        "sentiment": sentiment
    }

然后，将清洗后的 cleaned_query 传给知识检索，将 sentiment 变量传给LLM。你的系统提示词就可以这样写：“用户情绪为 { {sentiment}}，请用相应的语气回答以下问题：{ {cleaned_query}}”。这样，AI的回复就能更好地匹配用户情绪。

实战场景二：多轮对话中的意图继承 假设你在做一个旅行规划助手。第一轮用户问：“我想去北京玩。” 系统推荐了景点。第二轮用户只问：“天气怎么样？” 这里的 sys.query 只有“天气怎么样？”，缺少了地点。这时，你需要结合会话变量。在第一轮，当识别到用户确定了目的地“北京”后，用一个变量赋值节点，把“北京”存入一个叫 destination 的会话变量。在第二轮，你的LLM提示词应该这样组合：“用户当前问题是：{ {sys.query}}。结合已知的旅行目的地 { {destination}}，回答用户关于该地天气的询问。” 这样，AI就能准确回答“北京的天气怎么样？”了。